论文笔记:ResNet v2
ResNet v2
1、四个问题
- 要解决什么问题?
- 进一步提高ResNet的性能。
- 解释为何Identity mapping(恒等映射)的效果会比较好。
- 用了什么方法解决?
- 提出了一个新的残差单元结构。
- 从理论和实验上分析了identity mapping的有效性。
- 效果如何?
- 使用1001层的ResNet,在CIFAR-10数据集上错误率为4.62%,在CIFAR-100数据集上错误率为22.71%。都是目前最好的结果。
- ImageNet 2012数据集上,top-1错误率为20.1%,top-5错误率为4.8%,超过Inception v3,也是最优结果。
- 还存在什么问题?
- ResNet模型可以有极深的深度,更强大的学习能力,同时也会带来更多的参数,更大的计算量,如何对其进行压缩,降低计算成本也是个需要考虑的问题。
2、论文概述
2.1、简介
- 上式是原始残差单元,公式参数说明:
- xlx_lxl和xl+1x_{l+1}xl+1分别是第lll层网络的输入和输出。
- FFF表示残差函数。
- h(xl)=xlh(x_l) = x_lh(xl)=xl表示恒等映射(identity mapping)。
- fff表示ReLU函数。
- 后面默认认为h(xl)=xlh(x_l) = x_lh(xl)=xl,f(yl)=ylf(y_l) = y_lf(yl)=yl。
- 原始残差单元结构如a图所示,改进的残差单元结构如b图所示。
- 为了理解跳跃连接(skip connection)的作用,作者实验了各种不同的h(x)h(x)h(x)(identity mapping),即图中的灰色线部分。最终的实验结果表明,保持一个clean information path有助于提升效果。
- 提出了预激活(pre-activation)和后激活(post-activation)。
- 预激活:bn -> relu -> conv
- 后激活:conv -> bn -> relu
- 在新的残差结构中改进如下:
- 将激活函数放到旁路,从shortcut中移除,保证clean information path。
- 旁路中的结构从 conv-bn-relu(后激活) 转换为 bn-relu-conv(预激活)。
2.2、关于深度残差网络结构的分析
- 原始残差单元的数学表示,符号意义不做赘述。
- 假设h(xl)=xlh(x_l) = x_lh(xl)=xl(恒等映射),f(yl)=ylf(y_l) = y_lf(yl)=yl(激活函数也是一个恒等映射)。
- 循环套用xl+2=xl+1+F(xl+1,Wl+1)=xl+F(xl,Wl)+F(xl+1,Wl+1)x_{l+2} = x_{l+1} + F(x_{l+1}, W_{l+1}) = x_l + F(x_l, W_l) + F(x_{l+1}, W_{l+1})xl+2=xl+1+F(xl+1,Wl+1)=xl+F(xl,Wl)+F(xl+1,Wl+1),可以得到下式:
- 按照链式法则求导:
- 公式说明:
- ϵ\epsilonϵ是loss函数值。
- 根据链式求导法则,可以求出梯度,如上式所示。
- 梯度∂ϵ∂xl\frac{\partial \epsilon}{\partial x_l}∂xl∂ϵ可以拆分成两部分:对于第LLL层的梯度,∂ϵ∂xL\frac{\partial \epsilon}{\partial x_L}∂xL∂ϵ;以及每一层卷积层所拟合的残差函数对应的梯度,∂ϵ∂xL∂∂xl∑i=lL−1F(xi,Wi)\frac{\partial \epsilon}{\partial x_L} \frac{\partial}{\partial x_l} \sum_{i=l}^{L-1}F(x_i, W_i)∂xL∂ϵ∂xl∂∑i=lL−1F(xi,Wi)。
- 对于普通的没有shortcut连接的网络来说,只存在∂ϵ∂xL∂∂xl∑i=lL−1F(xi,Wi)\frac{\partial \epsilon}{\partial x_L} \frac{\partial}{\partial x_l} \sum_{i=l}^{L-1}F(x_i, W_i)∂xL∂ϵ∂xl∂∑i=lL−1F(xi,Wi)这一项,而对于ResNet来说,则额外引入了∂ϵ∂xL\frac{\partial \epsilon}{\partial x_L}∂xL∂ϵ。∂ϵ∂xL\frac{\partial \epsilon}{\partial x_L}∂xL∂ϵ的存在确保了较深层网络的梯度可以传递到较浅层网络去。
- 其实另外还有一点,引入了shortcut还减少了梯度消散的可能性。因为除非∂ϵ∂xL∂∂xl∑i=lL−1F(xi,Wi)\frac{\partial \epsilon}{\partial x_L} \frac{\partial}{\partial x_l} \sum_{i=l}^{L-1}F(x_i, W_i)∂xL∂ϵ∂xl∂∑i=lL−1F(xi,Wi)总是等于-1,梯度才会为0,然而残差函数不太可能全部为-1。
- 作者还给出了一个反例,说明为何要选择恒等映射。这里就直接贴图了,细节请参考论文。
- 大致意思是:如果这个λi>1\lambda_i > 1λi>1,随着梯度传播会以指数级数增长;如果λi<1\lambda_i < 1λi<1,随着梯度传播会以指数级数衰减。只有在λi=1\lambda_i = 1λi=1,即恒等映射(identity mapping)的情况下,梯度才可以较好的保持,避免梯度消失和梯度爆炸。
2.3、实验
2.3.1、验证恒等映射的有效性
- 作者使用下面的这些结构分别进行了实验,最后发现恒等映射的结果最好,实验结果见table1。
2.3.2、验证预激活的有效性
- 预激活结构和后激活对比实验,从实验结果可以看出预激活的效果是最好的。
2.3.3、在一些benchmark数据集上的效果
- CIFAR-10和CIFAR-100
- imagenet 2012
3、参考资料
- 原文
- 译文
- https://zhuanlan.zhihu.com/p/33486357
论文笔记:ResNet v2相关推荐
- ResNet论文笔记及Pytorch代码解析
注:个人学习记录 感谢B站up主"同济子豪兄"的精彩讲解,参考视频的记录 [精读AI论文]ResNet深度残差网络_哔哩哔哩_bilibili 算法的意义(大概介绍) CV史上的技 ...
- 论文笔记:ShuffleNet v2
ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design ShuffleNet v2 1.四个问题 要解决什么 ...
- 论文笔记:再看ResNet——ResNet典型网络结构
前言 第一次看ResNet论文的时候,由于刚接触深度学习不久,对ResNet的理解仅仅停留在论文中阐述的一些基本思想.加上当时实验室的硬件条件很有限,用的模型基本上以AlexNet和VGG为主,并没有 ...
- 论文笔记 | 谷歌 Soft Prompt Learning ,Prefix-Tuning的 -> soft promt -> p tuning v2
论文笔记 | 谷歌 Soft Prompt Learning ptuning -> Prefix-Tuning -> soft promt -> p tuning v2 " ...
- ConvNeXt V2 论文笔记
ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders(2023.1.2-v1) 链接: paper ...
- ResNet改进原理介绍论文笔记
ResNet改进原理介绍论文笔记 Identity Mappings in Deep Residual Networks Abstract 深度剩余网络是一系列极深的体系结构,显示出令人信服的准确性和 ...
- unet论文_图像分割之RefineNet 论文笔记
RefineNet: Multi-Path Refinement Networks forHigh-Resolution Semantic Segmentation (2017) 论文笔记 文章的创新 ...
- 论文笔记【A Comprehensive Study of Deep Video Action Recognition】
论文链接:A Comprehensive Study of Deep Video Action Recognition 目录 A Comprehensive Study of Deep Video A ...
- Procedural Noise Adversarial Examples for Black-Box Attacks on Deep Neural Networks论文笔记
Procedural Noise Adversarial Examples for Black-Box Attacks on Deep Neural Networks论文笔记 0. 概述 如今一些深度 ...
最新文章
- iOS 图片处理-利用GPUImage 磨皮和美白图片
- java对象转为json字符串
- 中国联通沈阳互联网数据中心
- [原创]基于Extjs的开源控件库 - http://extaspnet.codeplex.com/
- linux内核色彩管理,如何在Linux的色彩管理中获得标准结果
- aix 查看目前java进程_问一个 AIX 的命令 ps -ef|grep java
- 网络公开课资源 ——关注CS/AI/Math
- Vue实现仿音乐播放器6-实现新歌速递与swiper轮播图切换
- PHP框架 one 1.6.0 发布
- C语言实现中国象棋(Qt实现界面,源码下载,详细注释,易移植)
- NYOJ -123 士兵杀敌(四)
- 当面试官问我————为什么String是final的?
- pytorch常见错误(持续更新)
- 变异检测VarScan软件使用说明
- Oracle解决锁表语句与批量生成解锁语句
- Linux-vim常见命令
- 电影《功夫熊猫3》中的管理知识
- table固定表头、固定列
- 项目管理-PMP-第4章 项目范围管理
- 第十三届中国生物特征识别大会(CCBR2018)征文通知
热门文章
- android studio放置在函数上面看_Android中用Kotlin协程和Retrofit进行网络请求和取消请求...
- gpg加密命令 linux_加密方案 GNUPG amp; Yubikey
- php excel cpu高,phpexcel读文件的时候cpu99%
- opencv 正脸和侧脸检测
- 5.字符串:各种奇葩的内置方法/格式化
- 【C++】40. std::array与int a[]方式创建数组的区别
- Java 自动装箱性能
- KMeans聚类算法Hadoop实现
- 深度学习(十六)基于2-channel network的图片相似度判别-CVPR 2015
- 光流法 Optical Flow